在国内，Zhuo Liu［17］等提出了几种有代表性的深度强化学习（Deep Reinforcement Learning，DRL）模型（如：深度Q网络、分层深度Q网络、深度后继Q网络）在肺癌辅助诊断和治疗中的应用，并对卷积神经网络在肿瘤精准定位方面和深度强化学习模型在制定个性化治疗计划方面进行了展望。对深度学习在医学影像方向的应用研究中，高唤和李秀娟［18］通过将已有研究人员应用深度学习在肺结节诊断识别方面的研究结果对比分析（如：自定义DBN引入到肺结节良恶性诊断、肺癌钙化识别的三种深度神经网络CNN／DNN／SAE等），发现深度学习在该方面应用有着巨大优势；张驰名［19］等针对小数据量深度学习困难的问题，提出先在源域大数据学习特征知识、拟合网络参数，然后迁移到小标签样本、细粒度肺结节图像分类任务上，通过小数据集进行参数微调再预测的策略。该渐进微调策略对良恶性肺结节的诊断准确率为91.44%，AUC为96.21%，优于传统的转移学习策略和其他三种先进的深度学习方法（Jie-Zhi、Shen、Setio）。辛磊［36］从生物医学的角度阐述了深度学习在医学影像方面发挥作用的可行性，对未来人工智能在整合病史、体征检查等数据方面的应用前景进行展望；邹茂扬［37］等通过对基于优化策略的相似性估计、直接估计医学图像配准的变换参数等方面的医学图像配准研究进展分析，提出了迁移学习、无监督学习等多种可能解决当前面临问题的方法。

1.3 病症预测方向应用现状

深度学习在病症预测与分类方面，已见的相关研究包括探索不同的时间融合机制对慢阻肺（Chronic Obstructive Pulmonary Disease，COPD）的预测效果研究：时间慢融合卷积神经网络（SFCNN）在使用90%的训练数据时，预测结果优于其他方法（BS-CNN、EF-CNN等），预测AUC比基线提高了 5.3%［20］；Thomas［38］等使用高斯过程回归推断的纵向概率密度，通过将深度学习模型与临床数据耦合，准确区分了痛风与急性白血病尿酸特征（0.97 AUC）；Lipton［21］等使用没有时间戳的诊断标签，通过递归神经网络训练模型对疾病诊断进行分类，测试结果优于几个强大的传统基线；有研究人员［39］将深度学习应用于临床时间序列中的生理学特征发现和检测，通过将该领域的先验知识转化为图的拉普拉斯矩阵来作为一个简单高效的正则化工具，然后结合用于发现和检测临床时间序列中不同长度模式的有效增量学习框架，有效地提高了临床疾病分类的效率与质量。

Choi［22］等利用循环神经网络进行临床实践预测，他们将表示病人状态的高维向量通过神经网络体系投射到低维空间，然后通过RNN传递低维向量，使用softmax层预测诊断代码和药物代码，并使用校正线性单元预测下一次就诊的持续时间。该模型在单独的盲目测试集评估的基础上，可以执行差异诊断，且召回率高达79%，远高于几个已有基线。Yu Cheng［20］等利用卷积神经网络在慢性充血性心衰的预测中建立的模型有效提高了疾病预测的准确度，在60%和90%数据作为训练集的情况下，模型的预测精度分别提升1.5%和 5.2%。Alvin Rajkomar［23］等建立的临床数据预测模型纳入了标准的全部电子健康记录（Electronic Health Record，EHR）数据并提取出准确的预测变量进行模拟学习，其在院内死亡率、30天计划外再入院、延长住院时间等指标的预测结果均优于传统临床预测模型，其AUROC取值范围分别为：0.93～0.94、0.75～0.76、0.85～0.86。对于临床数据存在缺失值的情况，Volker Tresp和Thomas Briegel［40］使用实时递归学习规则、EM自适应规则和借助卡尔曼滤波方程实现的非线性回归神经预测模型和线性误差模型，在对于糖尿病患者的葡萄糖／胰岛素代谢的预测方面取得了不错的成绩。

1.4 临床辅助决策方向应用现状

在辅助医生进行临床决策方面，深度学习可以评估组织切片中HER2等诊断标志物的表达，在一组71个乳腺瘤切除样本的队列中，基于CNN的自动评分系统与病理学家评分一致性达到了83%，且对不一致的12个病例进行独立的回顾性分析，导致8例患者的初步病理学评估的诊断 改 变［24］。Edward Choi［22］等 开 发 的 Doctor AI，利用递归神经网络的时间模型，借助EHR中的疾病、诊断或药物代码预测临床中可能发生的各种事件，辅助医生决策。Doctor AI可以在30分钟内进行79%的重复性诊断，显著高于几个基线。Riccardo Miotto［25］等开发使用三层去噪自动编码器通过分层规律和依存关系寻找“深层患者”，得到了能够改善临床预测的患者表征，并且为增强临床决策系统提供了机器学习框架。其在每个患者患三种或更多疾病时获得了大约55%的校正预测，较其他方法改进了5%～15%。并且该模型在严重的糖尿病、精神分裂症和各种癌症的预测中性能最高。Melissa［41］等开发的仅使用生命体征数据进行败血症预测的算法——InSight，使用梯度树构造分类器将多个弱决策树进行迭代组合，根据患者沿决策树路径生成风险评分。该算法在脓毒症、严重脓毒症、感染性休克和严重败血症等方面检测结果取得了不俗的成绩（AUROC分别为：0.92、0.87、0.96、0.85），有助于临床患者的疾病改善和预后评价。

文章来源：《医学食疗与健康》 网址: http://www.yxslyjkbjb.cn/qikandaodu/2021/0115/595.html